Chevron Left
Вернуться к Введение в машинное обучение

Отзывы учащихся о курсе Введение в машинное обучение от партнера Национальный исследовательский университет "Высшая школа экономики"

4.6
звезд
Оценки: 2,301
Рецензии: 467

О курсе

Не так давно получил распространение термин «большие данные», обозначивший новую прикладную область — поиск способов автоматического быстрого анализа огромных объёмов разнородной информации. Наука о больших данных ещё только оформляется, но уже сейчас она очень востребована — и в будущем будет востребована только больше. С её помощью можно решать невероятные задачи: оценивать состояние печени по кардиограмме, предсказывать зарплату по описанию вакансии, предлагать пользователю музыку на основании его анкеты в интернете. Большими данными может оказаться что угодно: результаты научных экспериментов, логи банковских транзакций, метеорологические наблюдения, профили в социальных сетях — словом, всё, что может быть полезно проанализировать. Самым перспективным подходом к анализу больших данных считается применение машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности. На факультете компьютерных наук ВШЭ и в Школе анализа данных есть люди, активно использующие машинное обучение и разрабатывающие новые подходы к нему. Именно они — преподаватели этого курса. Вы изучите основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Узнаете об основных методах машинного обучения и их особенностях, научитесь оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Наконец, познакомитесь с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. Для работы мы будем использовать реальные данные из реальных задач. Краткая программа курса: Неделя 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. Неделя 2. Метрические методы классификации. Линейные методы, стохастический градиент. Неделя 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации. Неделя 4. Линейная регрессия. Понижение размерности, метод главных компонент. Неделя 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети. Неделя 6. Кластеризация и визуализация. Частичное обучение. Неделя 7. Прикладные задачи анализа данных: постановки и методы решения. Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования. Очень желательно знать Python. Задания рассчитаны на использование этого языка и его библиотек numpy, pandas и scikit-learn. Чтобы успешно завершить курс, нужно набрать проходную сумму баллов за тесты и практические задания, а также выполнить финальный проект, посвящённый решению прикладной задачи анализа данных. Мы уверены, что этот курс будет полезен каждому, кто хочет постичь искусство предсказательного моделирования и освоить интеллектуальный анализ данных. Появились технические трудности? Обращайтесь на адрес: coursera@hse.ru...

Лучшие рецензии

AL
24 сент. 2018 г.

Понравилось отсутствие "разжевывания" материала, короткие и информативные видео-лекции, довольно интересные задания. Курс дал начальное понимание основных принципов и направлений в ML.

DD
9 февр. 2016 г.

Спасибо за курс. Хороший материал. Отличные задания.\n\nЕсть желание пройти курс "Практическое машинное обучение" с большим количеством примеров и практик от авторов этого курса.

Фильтр по:

126–150 из 452 отзывов о курсе Введение в машинное обучение

автор: Theodor B

18 февр. 2018 г.

Отличный курс - было очень приятно учиться. Сильно мешало незнание python (начал учить по ходу). Последние лекции были особенно интересны.

автор: Dmitriy S

21 дек. 2017 г.

Неплохой курс на русском языке. Объясняет базовые подходы, проблемы и их решения. Можно пройти курс, даже если не разу не писал на Питоне.

автор: Михаил Ю Г

14 окт. 2019 г.

Формулирование тестовых заданий происходит в очень расплывчатой манере. Мне кажется можно их усложнить, но формулировать все же по чётче.

автор: Danilov S

23 янв. 2020 г.

Хороший сбалансированный курс, свежий и проходится на одном дыхании, очень приятные преподаватели, местами нужны хорошие входные данные.

автор: Fedor M

17 июля 2016 г.

Очень глубокое погружение в тему. Сильно занижены предварительные навыки, что делает для некоторых этот курс невозможным для завершения.

автор: Хабиров Т Р

12 дек. 2018 г.

Отличный вводный курс для начинающих с нуля. После прохождения появляется представление о том, как решаются задачи машинного обучения.

автор: Михеев И Е

7 мая 2020 г.

курс классный, очень быстрый рост сложности заданий для человека который дальше циклов в питоне не ходил, но выполнимый и полезный.

автор: Oleg O

20 авг. 2016 г.

Сначала курс казался немного непонятным, но хорошие лекторы и повторение материала в конце расставили всё по своим местам. Спасибо!

автор: Konstantin

12 мар. 2016 г.

"Лучше игрушечная задача на реальных данных, чем реальная задача на игрушечных" - очень правильно подмечено.

Курс крайне понравился.

автор: Пчелинцев А В

25 мар. 2020 г.

Курс сбалансирован по обзору теоретического материала и получаемым практическим навыкам. Т.е. как введение курс вполне оправдан.

автор: Виталий Х

11 мар. 2016 г.

Спасибо.Курс достаточно хорош для первого знакомства с машинным обучением.Очень понравился курс и разнообразие прикладных задач.

автор: Aleksandr S

7 апр. 2020 г.

Мне понравилось. Как начинающему были даны хорошие базовые знания, к тому же оставили много вопросов для дальнейшего изучения.

автор: Есипов И М

4 июня 2020 г.

Хороший курс, на мой взгляд, мало заданий на программирование самих моделей обучения, но в целом неплохо, ожидания оправдал

автор: Бердников В А

3 июля 2018 г.

Хороший курс, но требует нормального знания Python и намного больше времени чем указано в описании (если Python не знаешь).

автор: Волков С А

3 окт. 2018 г.

Хорошо подходит для быстрого получения основ и для закрепления полученных знаний раньше.

Очень хорошие практические задания

автор: Fedor R

25 февр. 2016 г.

Short and good, a way to learn practical python ML skills and math background to understand and feel different ML technics

автор: Skapenko I R

19 авг. 2018 г.

Отличное введение в data science.

Имеется обзор всех основных алгоритмов. Также очень доволен знакомству с sklearn/pandas.

автор: Il'gam A

31 авг. 2016 г.

It is a great course for those who intersted in machine learning! I recomend it for everyone. Thank you for your efforts!

автор: Рудаменко Р А

23 окт. 2019 г.

Познавательно, легко и ёмко, даже для тех, кто сталкивается с машинным обучением и программированием на Python впервые!

автор: Веселов А

7 авг. 2020 г.

Практика была довольно простой, теория тоже не очень подробная, но на то оно и введение. Преподаватели замечательные!

автор: Aver N

24 февр. 2019 г.

Курс очень понравился. Местами теория сложновата. Но в общем и целом - все замечательно. И задания и лекции. Спасибо!

автор: Aidos A

11 мар. 2016 г.

Отличный курс!

Считаю, что в лекции про решающие деревья необходимо более детально разобрать аолгоритмы с пропусками.

автор: Лойко А А

22 июня 2020 г.

Отличный курс. Большое спасибо организаторам за подробный теоретический материал и интересные практические задания.

автор: Золотых М А

19 сент. 2019 г.

Отличный преподаватель. Все очень понятно, полезно и доходчиво. Юмор и примеры в лекции расставляют все по местам.

автор: Dmitrii M

15 мар. 2016 г.

Отличный обзор возможностей машинног обучения с небольшой практикой дающей хороший задел для дальнейшего обучения